RailAIxs
Rail automation with Artifical Intelligence for detection of exceptional situations
Das Verbundprojekt "Rail automation with Artifical Intelligence for detection of exceptional situations" (RailAIxs) ist eine durch das Bundesministerium für Digitales und Verkehr (BMDV) im Rahmen der Innovationsinitiative mFUND gefördertes Projekt. Das Projekt erstreckt sich über eine Laufzeit von 3 Jahren - August 2022 bis Juli 2025. Das Projekt RailAIxs hat dabei ein Projektvolumen von 3.201.600 €.
Steckbrief / Profile
Projektleitung / Project Manager
- Prof. Dipl.-Inf. Ingrid Scholl, scholl@fh-aachen.de
Mitarbeitende / Staff
- Julian Daniel Eichenbaum B.Sc. - eichenbaum@fh-aachen.de
- Yannick Otten B.Sc. - y.otten@fh-aachen.de
Förderlinie / Funding line
Bundesministerium für Digitales und Verkehr (BMDV), Innovationsinitiative mFUND
Förderkennzeichen / Grant No.
Projektvolumen / Project volume
3.201.600 €
Der Zugverkehr der Zukunft - Mobilität 4.0 auf der Schiene
Willkommen in der Ära der Mobilität 4.0, in der innovative Technologien unseren Zugverkehr revolutionieren. Im Kontext des Zugverkehrs bedeutet dies, dass Züge autonom gesteuert und miteinander vernetzt sind. In diesem Zusammenhang möchten wir Ihnen unser Forschungsprojekt "RailAIxs" vorstellen - unser Beitrag zur Gestaltung des Zugverkehrs der Zukunft.
Projekt-Vision der Automatisierung der Rurtalbahn-Strecke der RB21 zwischen Linnich und Heimbach
RailAIxs als Wegbereiter
Mobilität 4.0 im Zugverkehr bedeutet mehr als nur autonomes Fahren. Es geht um die Schaffung eines zuverlässigen Transportsystems für Personen und Güter. Durch die Vernetzung der Züge mit intelligenten Infrastrukturen und anderen Verkehrsteilnehmern können Engpässe minimiert, Fahrpläne optimiert und Verkehrsflüsse besser gesteuert werden. Dies führt nicht nur zu einer reibungsloseren Zugmobilität mit weniger Verspätungen und Ausfällen, sondern eröffnet auch neue Chancen.
Der Fokus von RailAIxs liegt auf der Wiederbelebung von Nebenstrecken im Nahverkehr.
Automatisierung bietet eine Lösung für das wirtschaftliche Betreiben weniger genutzter Strecken. Aktuell stellt ein solcher Betrieb nicht nur eine Kostenfrage dar, sondern ist auch von aktuellen Herausforderungen wie dem Fachkräftemangel geprägt.
RailAIxs soll den Weg für diese fortschrittliche Form der Zugmobilität ebnen. Mit unserer Forschung tragen wir zur Lösung aktueller Probleme bei und bereiten den Weg für die Entwicklung eines vollständig autonom gesteuerten Zugverkehrs. Für die Zukunft verspricht ein solcher Meilenstein, dass Züge sicher, effizient und umweltfreundlich auf den Schienen unterwegs sind.
Bild des Testfahrzeuges (LTV) des RWTH Aachen Instituts für Schienenfahrzeuge und Transportsysteme (IFS)
In der ersten Iteration unseres Projekts ist es unser Ziel, ein Assistenzsystem zur Erkennung von Gefahren im Schienenverkehr zu entwickeln, das mindestens genauso gut reagiert wie ein menschlicher Triebfahrzeugführer. Dafür steht uns im Rahmen des Projekts ein echter Zug zur Verfügung.
Gefahrenerkennung durch KI
Das Herzstück von RailAIxs ist die Gefahrenerkennungstechnologie. Der Einsatz von künstlicher Intelligenz (KI) und autonomer Steuerung verspricht, ein Grundstein einer effizienten, nachhaltigen und sicheren Zugmobilität zu werden. Mithilfe moderner Sensorsysteme erfasst das in RailAIxs entwickelte System kontinuierlich Daten über die Umgebung und identifiziert potenzielle Risiken in Echtzeit. KI-Algorithmen analysieren diese Daten und treffen Entscheidungen, um Kollisionen zu vermeiden und die Sicherheit aller Beteiligten zu gewährleisten.
Teilforschritte : Virtuelle Umgebungsgenerierung entwickelt mit Unreal Engine 5 & unser Modell des ifs-RWTH Zuges
Das Training einer solchen KI setzt die Verwendung aufbereiteter Datensätze entsprechender Sensorsysteme voraus. Obwohl es bereits öffentliche Daten gibt, erfüllen diese oft nicht die spezifischen Anforderungen, die wir benötigen. Zentral für die Lösung dieses Problems ist die von uns entwickelte Software zur Datengenerierung mittels Computergrafik-Methoden. Unser Ansatz besteht darin, einen fotorealistischen, virtuellen "Schatten" des Schienenumfeldes zu erstellen, der auf realen Satellitendaten wie Satellitenbildern, Höhenkarten und Verkehrsnetzdaten basiert. Auf Grundlage dieses virtuellen Umfeldes werden Szenen algorithmisch und hochautomatisiert gemäß den Vorgaben der Szenendatenbank gestaltet. Abschließend werden fotorealistische Farb-Bilder und weitere Metadaten generiert, um "synthetische" Daten zu schaffen, die anschließend mit aufbereiteten Daten aus der realen Welt kombiniert werden. Dieser innovative Ansatz hybrider Datensätze gleicht nicht nur vorhandene Datenlücken aus, sondern umfasst auch moralische Aspekte des KI-Trainings in der Gefahrenerkennung, wie die Auswertung von Unfalldaten. So lassen sich Szenen umfassend digital erzeugen und abbilden. Zugleich besteht eines unserer Projektziele darin, die entstehenden Datensätze aufbereitet mit der Öffentlichkeit zu teilen und so weitere Entwicklungen im Bereich des autonomen Fahrens auf der Schiene zu unterstützen.
Anwendung von Kenntnissen aus der mobilen Robotik und dem autonomen Fahren
RailAIxs nutzt das Know-how vom MASKOR-Institut vergangener Projekte (wie UPNS4D+ und ARTUS) aus den Bereichen des autonomen Fahrens, der Robotik und der Computer Vision.
Die mobile Roboter-Plattfrom "HUSKY" und ein LiDAR-basierter Umgebungsscan des Geländes des RWTH Institut für Schienenfahrzeuge und Transportsysteme (IFS) am Bahnhof Aachen West
So können wir nicht nur umfangreiche Umgebungsdaten sammeln und unser System testen, sondern übertragen aktiv Wissen aus der Automatisierung von der Straße auf die Schiene.
Projektpartner
RailAIxs ist ein Verbundprojekt verschiedener Partner aus Industrie und Forschung. Jeder Partner bringt seine Expertise in das Projekt ein.
Lernen Sie unsere Projektpartner und ihre Arbeiten am Projekt kennen:
- Institut für Schienenfahrzeuge, RWTH Aachen University
- MASKOR Institut | FH Aachen University of Applied Sciences
- HÖRMANN Vehicle Engineering GmbH
- QUINUM GmbH
Einblicke
Erste Einblicke geben die folgenden Videos. Sie zeigen eine prozedural generierte virtuelle Welt (mit Unreal Engine erstellt), die für die Gefahrenerkennung bei autonomen Zugfahrten zur Generierung synthetischer Trainingsdaten eingesetzt wird.
Weiterführende Informationen
Besuchen Sie auch die offizielle Beschreibung des BMDV: